text-embedding-3-small API
Use text-embedding-3-small da família Embedding via RunAPI. Preços por chamada, sem assinatura, e gerações com falha não são cobradas.
# Base URL
https://runapi.ai
# Endpoints
POST /v1/embeddings
curl https://runapi.ai/v1/chat/completions \
-H "Authorization: Bearer $RUNAPI_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "text-embedding-3-small",
"input": [
"Gere embeddings destes artigos de suporte e de uma consulta de cliente para que eu possa ranquear as correspondências mais próximas."
],
"encoding_format": "float"
}'from openai import OpenAI
client = OpenAI(
base_url="https://runapi.ai/v1",
api_key="your-runapi-key"
)
response = client.chat.completions.create(
model="text-embedding-3-small",
messages=[{"role": "user", "content": "Gere embeddings destes artigos de suporte e de uma consulta de cliente para que eu possa ranquear as correspondências mais próximas."}]
)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://runapi.ai/v1",
apiKey: "your-runapi-key"
});
const response = await client.chat.completions.create({
model: "text-embedding-3-small",
messages: [{ role: "user", content: "Gere embeddings destes artigos de suporte e de uma consulta de cliente para que eu possa ranquear as correspondências mais próximas." }]
});Embedding text-embedding-3-small está disponível com a mesma autenticação RunAPI, fluxo de model skill e preços por uso.
- API key unificada
- Setup do model skill
- Referência de ID de modelo
- Gerações com falha não são cobradas
PREÇOS
FICHA TÉCNICA
| ID do modelo | text-embedding-3-small |
| Provedor | OpenAI |
| Modalidade | text |
| Tipo de tarefa | synchronous |
| Cobrança | 1K tokens |
| Endpoint | /v1/embeddings |
| Comercial | Sim |
| Status do catálogo | Operacional |
Model skill — text-embedding-3-small
Instale o skill uma vez, depois use o ID do variant desta página durante o desenvolvimento.
| Endpoint | Protocol |
|---|---|
| /v1/embeddings | OpenAI Embeddings |
Como usar text-embedding-3-small
Escolha o modelo
Selecione o modelo e a variante que combinam com o fluxo do seu app.
Envie o ID do modelo
Use este ID de variante no corpo da requisição.
Execute a tarefa
Envie a requisição e armazene o task ID retornado.
Colete a saída
Consulte ou receba o callback quando a tarefa terminar.
Comparativo de text-embedding-3-small
Vetores de texto eficientes para busca semântica em produção
Vetores de texto de alta capacidade para qualidade de recuperação e ranking
Vetores de texto eficientes para busca semântica em produção
Text embeddings amplamente suportados para pipelines existentes
Onde usar esta variante
Busca semântica
Indexe documentos, FAQs ou catálogos de produtos como vetores e recupere os resultados mais relevantes por significado, sem depender de correspondência de palavras-chave.
Pipelines RAG
Gere embeddings de trechos da base de conhecimento e envie as correspondências mais próximas para um prompt LLM para respostas fundamentadas com citações.
Clustering e classificação
Agrupe tickets de suporte, respostas de pesquisas ou feedback de usuários por similaridade semântica sem rotulagem manual.
Perguntas frequentes sobre text-embedding-3-small
Como seleciono text-embedding-3-small?
Envie o ID de modelo mostrado no quickstart.
O preço é por uso?
Sim. O preço é medido por chamada ou unidade.
Quantas dimensões o text-embedding-3-small gera?
text-embedding-3-small gera 1.536 dimensões por padrão. Ele suporta Matryoshka embeddings, então você pode solicitar 256, 512 ou 1.024 dimensões para reduzir o custo de armazenamento preservando a maior parte da qualidade de recuperação.
Como o text-embedding-3-small se compara ao text-embedding-3-large?
text-embedding-3-large tem 3.072 dimensões e pontua cerca de 2 pontos a mais no benchmark MTEB, mas custa aproximadamente 6,5 vezes mais por milhão de tokens. Para a maioria dos casos de busca semântica e RAG, o text-embedding-3-small oferece qualidade comparável a uma fração do custo.
Qual é o custo do text-embedding-3-small no RunAPI?
O RunAPI cobra por chamada de embedding sem assinatura ou gasto mínimo. Consulte a tabela de preços nesta página para a taxa atual por chamada. Requisições com falha não são cobradas.
Posso usar processamento em lote para reduzir os custos de embedding?
Sim. Envie múltiplos textos em uma única chamada de API para reduzir o overhead. O RunAPI processa requisições de embedding em lote e retorna todos os vetores em uma única resposta, o que é mais eficiente para indexar grandes coleções de documentos.